第三章 需求预测基础：定性预测法、定量预测法、预测误差评估

各位好，我是老张。在供应链这行摸爬滚打了十几年，今天咱们聊聊需求预测。

说实话，我刚入行那会儿，觉得预测就是拍脑袋。后来吃过几次大亏——库存积压到爆仓，或者断货被销售追着骂——才明白这玩意儿是门硬功夫。

需求预测，说白了就是猜未来要卖多少。但怎么猜得准？咱们得讲方法。

3.1 定性预测法：靠人脑和经验

定性预测，就是没有历史数据，或者数据不可靠的时候，靠人的判断来估。我见过很多初创公司，新产品刚上市，只能用这招。

3.1.1 德尔菲法

找一群专家，背对背填问卷。一轮一轮地反馈，直到意见收敛。我个人习惯用三轮，再多就疲劳了。

3.1.2 市场调研法

直接问客户、问销售、问渠道。听起来简单，但坑很多。

• 客户说的不一定准——他们往往高估需求。
• 销售容易报低——怕完不成指标。
• 渠道会囤货——造成虚假繁荣。

我曾经遇到一个案例：销售说下个月能卖5000台，结果只卖了800台。为什么？因为客户只是随口一说，根本没下单。

3.1.3 历史类比法

拿类似产品的历史数据来套。比如新款手机上市，可以参考上一代的销售曲线。

嗯，这里要注意：类比的前提是场景相似。市场环境变了，类比就失效了。

3.2 定量预测法：用数据说话

有历史数据，咱们就用数学模型。定量预测分两类：时间序列法和因果分析法。

3.2.1 时间序列法

只看历史数据的变化规律，不考虑外部因素。

简单移动平均法

取最近N期的平均值。比如过去3个月的销量分别是100、120、110，那下个月预测就是(100+120+110)/3=110。

# Python示例：简单移动平均
def simple_moving_average(data, window=3):
    return sum(data[-window:]) / window

sales = [100, 120, 110]
prediction = simple_moving_average(sales, 3)
print(f"下月预测: {prediction}")  # 输出: 110.0

加权移动平均法

给不同时期的数据分配权重。越近的数据权重越大。

# 加权移动平均
weights = [0.2, 0.3, 0.5]  # 权重之和为1
weighted_avg = sum(s * w for s, w in zip(sales, weights))
print(f"加权预测: {weighted_avg}")  # 输出: 111.0

指数平滑法

给历史数据一个衰减系数α（0<α<1）。α越大，越看重近期数据。

# 一次指数平滑
def exponential_smoothing(data, alpha=0.3):
    result = [data[0]]
    for i in range(1, len(data)):
        result.append(alpha * data[i] + (1-alpha) * result[-1])
    return result[-1]

prediction = exponential_smoothing(sales, alpha=0.3)
print(f"指数平滑预测: {prediction}")

3.2.2 因果分析法

考虑外部因素。比如销量和广告投入、季节、天气有关。

线性回归

假设销量Y和某个因素X呈线性关系：Y = aX + b

# 简单线性回归示例
import numpy as np

# 广告投入 vs 销量
ad_spend = [10, 20, 30, 40, 50]
sales = [100, 150, 200, 250, 300]

# 计算回归系数
slope, intercept = np.polyfit(ad_spend, sales, 1)
print(f"Y = {slope:.2f}X + {intercept:.2f}")
# 如果下月广告投入60万，预测销量：
prediction = slope * 60 + intercept
print(f"预测销量: {prediction:.0f}")

3.3 预测误差评估

预测完了，得知道准不准。误差评估是闭环管理的关键。

3.3.1 常用误差指标

指标	公式	说明
MAE	平均绝对误差	所有误差绝对值的平均值。直观，但受量纲影响。
MSE	均方误差	误差平方的平均值。放大较大误差，适合惩罚极端偏差。
RMSE	均方根误差	MSE开方，与原始数据同量纲。我最常用的指标。
MAPE	平均绝对百分比误差	百分比形式，适合跨品类比较。注意：实际值为0时会失效。

# 误差计算示例
actual = [100, 120, 110, 130]
predicted = [105, 115, 108, 125]

# MAE
mae = sum(abs(a-p) for a,p in zip(actual, predicted)) / len(actual)
# RMSE
mse = sum((a-p)**2 for a,p in zip(actual, predicted)) / len(actual)
rmse = mse ** 0.5
# MAPE
mape = sum(abs((a-p)/a) for a,p in zip(actual, predicted)) / len(actual) * 100

print(f"MAE: {mae:.2f}")
print(f"RMSE: {rmse:.2f}")
print(f"MAPE: {mape:.2f}%")

3.3.2 误差分析的意义

光算误差不够，得分析原因。我一般分三步：

1. 看趋势——误差是系统性偏高还是偏低？如果是，说明模型有偏。
2. 找异常——有没有个别点误差特别大？可能是促销、缺货等事件。
3. 调参数——根据误差反馈调整模型参数（比如α、窗口大小）。

3.4 知识体系总览

下面这张图，把本章的核心逻辑串起来了。你想想看，预测不是孤立的事，它是个闭环：从方法选择，到模型计算，再到误差反馈。

你看，从方法选择到误差评估，是个循环。我见过太多团队只做预测不评估，结果越偏越远。

好了，这一章就到这儿。记住：预测永远有误差，关键是把误差控制在可接受范围内。下回咱们聊库存策略，到时候见。

---